您将探究时间序列数据的特性，并学习可解释此类数据行为的 ARMA 模型基础。您还将学习基本的 R 命令，把原始时间序列数据整理为可用 ARMA 模型分析的形式。

先从基础开始

数据玩一玩

时间序列的要素

平稳性与非平稳性

差分

数据去趋势

处理趋势与异方差性

平稳时间序列：ARMA

模拟 ARMA 模型

时间序列数据与模型

您将走进 ARMA 模型的精彩世界，并学习如何将这些模型拟合到时间序列数据。您将学习如何识别模型、如何选择合适的模型，以及在拟合后如何验证模型。您还将学习使用 stats 和 astsa 包中的 R 时间序列命令。

AR 与 MA 模型

拟合 AR(1) 模型

拟合 AR(2) 模型

拟合 MA(1) 模型

AR 与 MA 的结合

拟合 ARMA 模型

识别一个 ARMA 模型

模型选择与残差分析

模型选择 - I

模型选择 - II

残差分析 - I

残差分析 - II

ARMA 上场

在掌握将 ARMA 模型用于平稳时间序列之后，您将进一步学习用于非平稳时间序列的差分自回归移动平均（ARIMA）模型。您将使用 stats 和 astsa 包中的 R 时间序列命令，把这些模型应用到真实数据。

ARIMA——差分整合 ARMA

ARIMA - 即插即用

ARIMA 模型（模拟数据）

全球变暖

ARIMA 诊断

诊断——模拟过拟合

诊断 - 全球气温

ARIMA 预测

对模拟 ARIMA 进行预测

预测全球气温

ARIMA 模型

您将学习如何使用季节性 ARIMA 模型对季节性时间序列进行拟合与预测。为此，您将用到前面章节所学，并学习如何扩展 stats 和 astsa 包中的 R 时间序列命令。

纯季节性模型

纯季节模型的 P/ACF

拟合纯季节性模型

混合季节性模型

拟合一个混合季节性模型

数据分析 - 失业率 I

数据分析——失业率 II

数据分析——大宗商品价格

数据分析——出生率

季节性 ARIMA 的预测

预测月度失业率

预测大宗商品价格有多难？

恭喜您！

季节性 ARIMA

在本课程中，您将熟练掌握使用 R 为时间序列数据拟合 ARIMA 模型。首先，您将使用 R stats 包中的工具探索时间序列数据的特性。接着，您将使用 R 包 astsa 在模拟数据（已知真实模型）上拟合各种 ARMA 模型。掌握基础后，您将学习如何为真实数据拟合差分后的 ARMA（即 ARIMA）模型。您还将学习如何检验 ARIMA 模型的有效性，以及如何对时间序列进行预测。最后，您将学习如何为季节性数据拟合 ARIMA 模型，并使用 astsa 包进行预测。

Time Series Analysis in R

在本课程中，您将学习使用R将ARIMA模型拟合到时间序列数据，包括模拟和季节性数据。

R 中的 ARIMA 模型

用 R 将 ARIMA（自回归积分滑动平均）模型拟合到时间序列数据，成为专家。

量化分析师  在 R 中

时间序列  在 R 中

残差分析 - II

R 中的 ARIMA 模型

动手互动练习